ในปัจจุบัน การวิจัยด้าน Constraint Acquisition (CA) และการปรับปรุงโมเดล Mathematical Programming (MP) ยังประสบปัญหาสำคัญคือการขาดแคลนชุดข้อมูลเบนช์มาร์กที่เป็นมาตรฐาน ส่งผลให้การเปรียบเทียบผลการทดสอบระหว่างงานวิจัยต่างๆ ทำได้ยากและขาดความแม่นยำ โดยเบนช์มาร์กส่วนใหญ่ที่มีอยู่นั้นถูกออกแบบมาเพื่อการประเมินประสิทธิภาพของ Solver มากกว่าที่จะใช้ประเมินตัวอัลกอริทึมที่ทำหน้าที่ค้นหาเงื่อนไข
เพื่อแก้ปัญหานี้ งานวิจัยจึงได้นำเสนอ MPMMine ซึ่งเป็นชุดเบนช์มาร์กที่ถูกออกแบบมาภายใต้หลักเกณฑ์ความสม่ำเสมอ ความสมบูรณ์ และการเข้าถึงได้แบบเปิด โดยรองรับรูปแบบข้อมูลที่หลากหลาย เช่น MiniZinc และ JSON อีกทั้งยังรวมเอาคำอธิบายภาษาธรรมชาติเข้าไว้ด้วย เพื่อสนับสนุนวิธีการแบบ text-to-model ซึ่งช่วยให้นักวิจัยสามารถประเมินอัลกอริทึมที่ทำหน้าที่ค้นหา ตรวจสอบ และเพิ่มประสิทธิภาพโมเดลคณิตศาสตร์ได้อย่างเป็นระบบและโปร่งใสมากขึ้น
